Anthropic发布高效AI agent构建指南，降低token成本
Anthropic 刚刚又发布了一篇重磅指南。
这篇是关于构建更高效的 agent，以处理更多工具并高效使用 token。
这是 AI 开发者的必读之作！
（收藏它）
它帮助解决 AI agent 工具调用中的三个主要问题：token 成本、延迟和工具组合。
怎么做？它将代码执行与 MCP 结合，把 MCP 服务器转化为代码 API 而非直接工具调用。
以下是您需要了解的全部内容：
1. Token 效率问题：提前加载所有 MCP 工具定义并通过上下文窗口传递中间结果会产生巨大的 token 开销，对于复杂的多工具工作流有时超过 150,000 token。
2. 代码即 API 方法：不采用直接工具调用，而是将 MCP 服务器作为代码 API（例如 TypeScript 模块）呈现，agent 可以导入并以编程方式调用，将示例工作流从 150k 降至 2k token（节省 98.7%）。
3. 渐进式工具发现：使用文件系统探索或 search_tools 函数，仅加载当前任务所需的工具定义，而不是预先将所有内容加载到上下文中。这解决了许多上下文腐烂和 token 过载问题。
4. 环境内数据处理：在代码执行环境中过滤、转换和聚合数据，然后再将结果传递给模型。例如，将 10,000 行电子表格过滤到仅 5 行相关数据。
5. 更好的控制流：使用原生代码构造实现循环、条件判断和错误处理，而不是通过 agent 链接单个工具调用，从而减少延迟和 token 消耗。
6. 隐私：敏感数据可以在不进入模型上下文的情况下流经工作流；只有显式记录/返回的值是可见的，并支持可选的自动 PII 标记化。
7. 状态持久化：Agent 可以将中间结果保存到文件并稍后恢复工作，从而实现长时间运行的任务和增量进度跟踪。
8. 可复用技能：Agent 可以将工作代码保存为可复用的函数（附带 SKILL .MD 文档），随着时间的推移构建更高级能力的库。
这种方法很复杂，并不完美，但它应该能全面提升您的 AI agent 的效率和准确性。
anthropic. com/engineering/code-execution-with-mcp
这篇是关于构建更高效的 agent，以处理更多工具并高效使用 token。
这是 AI 开发者的必读之作！
（收藏它）
它帮助解决 AI agent 工具调用中的三个主要问题：token 成本、延迟和工具组合。
怎么做？它将代码执行与 MCP 结合，把 MCP 服务器转化为代码 API 而非直接工具调用。
以下是您需要了解的全部内容：
1. Token 效率问题：提前加载所有 MCP 工具定义并通过上下文窗口传递中间结果会产生巨大的 token 开销，对于复杂的多工具工作流有时超过 150,000 token。
2. 代码即 API 方法：不采用直接工具调用，而是将 MCP 服务器作为代码 API（例如 TypeScript 模块）呈现，agent 可以导入并以编程方式调用，将示例工作流从 150k 降至 2k token（节省 98.7%）。
3. 渐进式工具发现：使用文件系统探索或 search_tools 函数，仅加载当前任务所需的工具定义，而不是预先将所有内容加载到上下文中。这解决了许多上下文腐烂和 token 过载问题。
4. 环境内数据处理：在代码执行环境中过滤、转换和聚合数据，然后再将结果传递给模型。例如，将 10,000 行电子表格过滤到仅 5 行相关数据。
5. 更好的控制流：使用原生代码构造实现循环、条件判断和错误处理，而不是通过 agent 链接单个工具调用，从而减少延迟和 token 消耗。
6. 隐私：敏感数据可以在不进入模型上下文的情况下流经工作流；只有显式记录/返回的值是可见的，并支持可选的自动 PII 标记化。
7. 状态持久化：Agent 可以将中间结果保存到文件并稍后恢复工作，从而实现长时间运行的任务和增量进度跟踪。
8. 可复用技能：Agent 可以将工作代码保存为可复用的函数（附带 SKILL .MD 文档），随着时间的推移构建更高级能力的库。
这种方法很复杂，并不完美，但它应该能全面提升您的 AI agent 的效率和准确性。
anthropic. com/engineering/code-execution-with-mcp